论文阅读 GANSpace：《GANSpace: Discovering Interpretable GAN Controls》

收录：NIPS2020
地址：https://arxiv.org/abs/2004.02546

---

摘要

我们基于主成分分析（PCA）在潜在空间或特征空间中识别重要的潜在方向。然后，我们证明了大量的可解释控制可以通过沿主方向的逐层扰动来定义。

提示：以下是本篇文章正文内容，下面案例可供参考

一、介绍

1. 我们证明了在GAN潜在空间中应用主成分分析（PCA）可以在StyleGAN的潜在空间和BigGAN的特征空间中找到重要的方向。
2. 我们展示了如何修改BigGAN以允许类似StyleGAN的分层风格混合和控制，而无需再培训
3. 利用这些思想，我们证明了PCA编辑方向的分层分解可以产生许多可解释的控件。
4. 效果如图1
   

图1：使用我们的方法发现的控件执行的图像编辑序列，应用于三个不同的GAN。白色插图使用第2节中解释的符号指定编辑。

二、发现GAN控件

2.1 背景

在BigGAN模型[5]中，中间层也将潜在向量作为输入：
$${\mathbf{y}}_i=G_i({\mathbf{y}}_{i-1}$$